ERUnderstand 基准实测：VLM 看 ER 图，常规元素稳了，多值属性和多元关系直接崩

做数据库设计的人都知道一个尴尬事：ER 图通常是图片，不是机器可读的 schema。拿到一张实体关系图，想用 AI 帮忙解析、审查或者转换成 DDL，得先把图里的符号再认一遍。这事听着不难，但真让视觉语言模型（VLM）干，结果参差不齐。

最近 ArXiv 上挂出来一篇论文，叫 ERUnderstand，作者来自天普大学等机构，专门搞了一个基准来测 VLM 读 ER 图的能力。数据集不小——2,960 张 ER 图，来源覆盖教育材料、真实业务 schemas 和合成数据，还包含了扩展实体关系（EER）的各类结构，符号体系也做了多样化处理。每张图都配了机器可读的标准表示，方便做细粒度评估。

结果挺能说明问题。

先说好的。常见 ERD 元素，VLM 恢复得还行，F1 都在 0.74 以上。实体、常规属性、简单关系，基本能认。放到实际工作流里，如果只是拿 AI 审一下普通表结构，大概够用。

但一碰到数据库设计课里老师反复强调的那些坑，模型就露馅了。

弱实体（Weak Entities）的 F1 掉到 0.28，多值属性（Multivalued Attributes）只有 0.14，N 元关系（N-ary Relationships）更是惨到 0.07——基本等于不会。这三类东西恰恰是 ER 建模里最容易出错、也最关键的结构。多值属性在经典 ER 图中用双椭圆表示，N 元关系用菱形连多条线，模型要么没识别出来，要么跟二元关系弄混。

论文还试了推理增强模型（reasoning-augmented），整体提升了 15-25%，但作者也指出，这类模型对语言先验（linguistic priors）敏感，而且图一复杂就掉精度。给一张简单的教务管理 ER 图它能对付，换成实际业务里那种几十个实体的企业数据模型，很可能会漏掉关键约束。

ERUnderstand 把 benchmark、数据集、评估工具和生成代码都开源了，GitHub 地址在 github.com/salinaria/ERUnderstand。正在搭 Agent 做数据库辅助设计、或者想评估某个 VLM 能不能处理技术图表的人，这个基准值得跑一遍。

这组数据暴露的是 VLM 在结构化图表理解上的通用瓶颈——不限于某个具体模型。符号推理、弱信号识别、多分支关系——这些东西在自然图片里不常见，但在工程图纸、数据模型、系统架构图里是常态。能看懂猫和汽车不代表能看懂一张 ER 图。

0.07 的 F1 也不是终点。这种基准的好处是给了明确的基线，后续不管是加专用 adapter、改进视觉编码器，还是在推理链里显式注入 schema 约束，都有地方验证。但眼下如果真打算让 AI 审数据库设计，多值属性和 N 元关系那一块，最好自己再过一遍。

论文链接：arxiv.org/abs/2607.24707
GitHub：github.com/salinaria/ERUnderstand